一、背景介绍

人脸检测是指在输入的图像中确定所有的人脸（如果存在）的位置、大小的过程。人脸检测作为人脸信息处理中的一项关键技术，已经成为模式识别与计算机视觉领域内一项受到普遍重视，研究十分活跃的课题。

人脸检测问题最初来源于人脸识别，追溯到20世纪60-70年代，经过几十年的曲折发展已经日趋成熟。人脸检测是自动人脸识别系统的一个关键环节，但早期的研究主要针对具有较强约束条件的人脸图像，往往假设人脸位置已知或很容易获得，因此人脸检测问题并未获得足够的重视。近几年随着电子商务等应用的发展，人们对于自动人脸检测的要求日益迫切。今天，人脸检测的应用背景已经在人工情感计算，基于内容的检索，数字视频处理，视觉监测等方面有着重要的应用价值。

本次设计将提出一个基于树莓派（Raspberry PI）的人脸检测系统来检测人脸，同时提供摄像头数据的实时传输。将通过在不同环境下的测试结果来验证这个系统的有效性。

二、人脸检测方法综述

1、基于分类器的人脸检测

目前人脸检测分类器大都是基于haar特征利用Adaboost学习算法训练的。

首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意图片，所有的样本图片都被归一化为同样的尺寸大小。然后进行统计。一旦分类器建立完成，就可以用来检测输入图片中的感兴趣区域的检测了。

分类器训练完以后，就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1，否则输出为0。为了检测整幅图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。 为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。

分类器中的”级联”是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器， 这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。 目前支持这种分类器的boosting技术有四种： Discrete Adaboost， Real Adaboost，Gentle Adaboost and Logitboost。同时，OpenCV中采用的训练算法adaboost是gentle adaboost，为最适合人脸检测的方案。"boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法，并利用基础分类器的自我训练得到。基础分类器是至少有两个叶结点的决策树分类器。目前的算法主要利用下面的Harr特征：